MMJun, 2021

CDN-MEDAL：双阶段密度与差值逼近框架用于运动分析

PDF
TL;DR本文提出了一种名为 CDN-MEDAL-net 的新方法，使用两个卷积神经网络，其中第一个网络基于 GMM 统计学习策略，第二个网络实现了轻量级的在线视频背景减除，实验结果表明这种方法不仅能够在未见情况下有效地提取移动对象的区域，而且非常高效。
background modelingsubtractiondeep neural networksgaussian mixture modelsvideo surveillance
发现论文，激发创造
  • 一种用于背景消除的深度卷积神经网络

    本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。

    Feb, 2017

  • 基于多层框架的自由移动相机在线背景减除

    针对移动拍摄视频中背景难以识别的问题，本文提出了一种基于多层结构的在线背景减除算法框架，将多前景物体建模并赋予拥有独立处理层，同时采用贝叶斯滤波框架推断概率图，并用马尔科夫随机场上的多标签图割算法进行像素级分割，取得了优于现有技术的结果。

    Sep, 2017

  • 智能监控系统中 ADNN 的背景减除应用

    该研究提出了一种采用算术分布神经网络（ADNN）结构的智能视频监控系统，用于运动检测，对只包含运动部分的视频进行裁剪，并对裁剪后的视频进行异常检测。

    Dec, 2022

  • 高斯拒绝级联算法：实时自适应背景减除框架

    通过将高斯混合模型（GMM）分解为自适应的高斯卡斯凯德（CoG），提出了一种改进前景背景分类的算法，实现了 4-5 倍的加速和 17％平均精度提高，同时在卷积变分自动编码器（VAE）的图像表示中展示了 CoG 的优势。

    May, 2017

  • 深度神经网络背景减除概念：一项系统性综述和比较评估

    本文综述了深度学习方法在视频背景减除中的应用，特别是使用深度神经网络作为前景检测和特征学习的方法，分析了这些方法相对于传统的基于多个特征或多个指标策略的非监督学习方法的性能优势，最后通过在 CDnet 2014 数据集上的实验结果证实了这些深度学习方法的可行性和有效性。

    Nov, 2018

  • 通用事件边界检测中多级稠密差分图的渐进式关注

    本文介绍了一种名为 DDM-Net 的框架，通过构建特征库、密集差分图（DDM）及逐步注意力等方法，结合外观和运动线索，在视频理解领域中有效地实现识别和分析事件边界，最终比 LOVEU Challenge@CVPR 2021 的获胜解决方案性能更优，且在 Kinetics-GEBD 和 TAPOS 基准测试中分别取得了 14% 和 8% 的显著提升。

    Dec, 2021

  • 学习外观和动作的深度表示以进行异常事件检测

    通过深度神经网络及自动特征提取技术，提出了一种新的无监督深度学习框架，用于复杂视频场景中的异常事件检测，其中融合了传统早期融合和晚期融合策略，并结合多个一类支持向量机模型进行最终异常检测。

    Oct, 2015

  • 基于算术分布神经网络的通用背景减除

    该研究提出了一种基于算术分布神经网络（ADNN）的通用背景减除框架，利用算术分布层来学习时间像素的分布，并通过邻域信息和 GPU 实现的改进贝叶斯精化模型来提高准确性。研究结果表明，该方法在背景减除领域具有优越性。

    Apr, 2021

  • 视频序列中的图像分割：概率方法

    本文通过使用混合高斯模型和无监督的 EM 算法，提出了一种基于像素分类的背景减法方法，并应用于交通监控中，取得了较好的车辆识别和跟踪效果。

    Feb, 2013

  • 通过追求动态时空模型进行复杂背景减除

    提出了一种在较为复杂的情况下学习和维护一组动态纹理模型的背景减除方法，在多个复杂场景的实验中，表现优于其他前沿的背景减除算法。

    Feb, 2015